深度神经网络的计算方法、装置及可读存储介质制造方法及图纸

本发明专利技术公开了一种深度神经网络的计算方法、装置及可读存储介质，所述方法包括：计算深度神经网络中各层的网络参数，将计算的各层网络参数作为各层的配置参数存入配置文件中；在深度神经网络进行层次计算时，从所述配置文件中获取所述深度神经网络所计算到的当前层次对应的配置参数；获取当前层次对应的权重数据；根据获取的配置参数及权重数据，对当前层次的输入Map进行计算，获得当前层次的输出Map。本发明专利技术通过提前计算深度神经网络中各层的网络参数，从而获得各层的配置参数，在计算到各层时只需从配置文件中获取当前计算层的配置参数就可进行本层的相应计算，从而提高了深度神经网络的计算速度。

The calculation method, device and readable storage medium of deep neural network

The present invention discloses a kind of calculation method, the depth of the neural network device and readable storage medium, the method includes: calculating network parameters of each layer in the depth of the neural network, the network layer parameters as configuration parameters of each layer in the configuration file; in the depth of the neural network level calculation, configuration the parameters of current levels corresponding to obtain the depth of the neural network from the configuration file in the calculation of the weights corresponding to the current level; data acquisition; according to the configuration parameters and the weights of data acquisition, input Map on the current level were calculated to obtain the output current level of Map. The present invention in advance by computing network parameters of each layer in the depth of the neural network, so as to obtain the configuration parameters of each layer, each layer in the calculation to only from the configuration file to get the configuration parameters of the current computing layer can be calculated in this layer, so as to improve the calculation speed of the depth of neural network.

【技术实现步骤摘要】
深度神经网络的计算方法、装置及可读存储介质
本专利技术涉及深度神经网络领域，尤其涉及一种深度神经网络的计算方法、装置及可读存储介质。
技术介绍
ML(英文全称MachineLearning，译为：机器学习)和AI(英文全称ArtificialIntelligence，译为：人工智能)是研究如何让计算机去完成需要人的智力才能胜任的工作，是研究如何应用计算机的软硬件来模拟人类某些行为、思想的基本理论、方法和技术。AI是一门多学科交叉的科学，包含自然科学和社学科学交叉，更涉及哲学和认知科学，数学、神经生理学、心理学、计算机科学，信息科学、控制论等众多学科。近年来，DL(英文全称DeepLearning，译为：深度学习)进展大大推动了ML和AI的技术进步和实际应用。例如，AI为技术核心的应用已经渗透到了众多领域，安防、教育、金融、医疗、交通等等，典型应用包括：远程开户(金融、证券)，智能安防、图像识别、自然语言处理、自动驾驶等等。DL是一种含多隐层的，多层感知的深度学习结构，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。DNN(英文全称DeepNeural本文档来自技高网...

【技术保护点】
一种深度神经网络的计算方法，其特征在于，所述方法包括以下步骤：计算深度神经网络中各层的网络参数，将计算的各层网络参数作为各层的配置参数存入配置文件中；在深度神经网络进行层次计算时，从所述配置文件中获取所述深度神经网络所计算到的当前层次对应的配置参数；获取所述当前层次对应的权重数据；根据获取的配置参数及权重数据，对所述当前层次的输入Map进行计算，获得所述当前层次的输出Map。

【技术特征摘要】
1.一种深度神经网络的计算方法，其特征在于，所述方法包括以下步骤：计算深度神经网络中各层的网络参数，将计算的各层网络参数作为各层的配置参数存入配置文件中；在深度神经网络进行层次计算时，从所述配置文件中获取所述深度神经网络所计算到的当前层次对应的配置参数；获取所述当前层次对应的权重数据；根据获取的配置参数及权重数据，对所述当前层次的输入Map进行计算，获得所述当前层次的输出Map。2.如权利要求1所述的方法，其特征在于，所述计算深度神经网络中各层的网络参数，将计算的各层网络参数作为各层的配置参数存入配置文件中之前，所述方法还包括：将所述输入Map拆分成第一预设数量的输入子Map；将所述输入子Map分成第二预设数量组的输入子Map；相应地，所述根据获取的配置参数及权重数据，对所述当前层次的输入Map进行计算，获得所述当前层次的输出Map，具体包括：根据所述获取的配置参数及权重数据，对所述当前层次的所述输入子Map按组进行计算，获得所述当前层次的输出子Map；将所述当前层次的输出子Map拼接成所述当前层次的所述输出Map。3.如权利要求2所述的方法，其特征在于，所述根据所述获取的配置参数及权重数据，对所述当前层次的所述输入子Map按组进行计算，获得所述当前层次的输出子Map，具体包括：从所述第二预设数量组中选取一组作为当前组；根据所述获取的配置参数及权重数据，对所述当前层次的所述当前组中各子Map并行计算，获得所述当前组中各子Map的所述当前层次的所述输出子Map。4.如权利要求2所述的方法，其特征在于，所述网络参数包括：网络层数、网络层类型、卷积核的参数、卷积核尺寸、Map的尺寸、Map数量、子Map的预设输...

【专利技术属性】
技术研发人员：谌璟，孙庆新，
申请(专利权)人：深圳市自行科技有限公司，
类型：发明
国别省市：广东,44